高级视觉算法研发工程师

优缺点分析

角色解读

• 纵向可发展为自动驾驶感知算法专家或首席科学家，引领技术方向
• 横向可转型为感知团队技术负责人或自动驾驶系统架构师，统筹多模块协同
• 负责自动驾驶感知算法的核心研发，重点攻克3D目标检测、图像分割与目标跟踪等视觉难题
• 推动感知算法在不同级别自动驾驶产品中的工程化落地，解决实际场景中的模型性能与泛化问题
• 扎实的编程基础，精通C++或Python，熟练掌握数据结构与算法
• 深厚的机器学习与深度学习理论功底，能够针对学习率、数据分布、Loss及网络结构等问题进行模型调优
• 熟悉BEV、Occupancy Network、DETR等前沿视觉算法，具备静态障碍物检测经验者优先

申请策略

• 了解初速度的“飞轮”技术路线及量产自动驾驶与Robotaxi并行的业务模式，面试时结合其业务痛点阐述算法思路
• 重点突出在3D目标检测、BEV或Occupancy Network等具体项目中的核心贡献与性能提升指标
• 展示解决复杂模型性能问题（如Loss设计、数据分布调整）的实际案例与思考过程
• 强调C++/Python工程落地能力，体现算法从实验到车端部署的完整经验
• 深入研读近期关于BEV、Transformer在自动驾驶中应用的顶会论文（如CVPR/ICCV）
• 熟悉主流自动驾驶开源框架及模型部署工具（如TensorRT），提升工程化落地能力

面试指南

• STAR法则：针对项目经验，按照情境、任务、行动、结果的框架，重点突出“行动”中的技术细节和“结果”中的量化指标
• 问题拆解法：针对模型调优问题，从数据、网络结构、Loss设计、训练策略等维度系统性拆解排查思路
• 请详细介绍你参与过的BEV或Occupancy Network项目，遇到了哪些难点，如何解决的？
• 在3D目标检测中，如何处理数据分布不均或长尾场景（Corner Case）的问题？
• 当模型在训练集上表现良好但在实车测试中性能下降时，你的排查和优化思路是什么？
• 请对比DETR与传统基于Anchor的检测方法在自动驾驶场景下的优劣
• 复习自动驾驶感知领域的经典与最新论文，特别是初速度团队发表的相关研究成果
• 准备1-2个自己主导解决的复杂算法难题，能够深入讲解底层原理和工程实现细节